TTSA3R：面向流式三维重建的无训练时空自适应持久状态
计算机视觉与模式识别
2026-02-18 v2
摘要
流式循环模型通过维护持久状态表示实现高效的三维重建。然而，由于需要在历史信息与新观测之间取得平衡，它们在长序列上会遭受灾难性遗忘。最近的方法通过从注意力角度推导自适应信号来缓解这一问题，但它们仅在单一维度上操作，未考虑时间和空间一致性。为此，我们提出了一个名为TTSA3R的无训练框架，该框架利用时间状态演化和空间观测质量进行三维重建中的自适应状态更新。具体而言，我们设计了一个时间自适应更新模块，通过分析时间状态演化模式来调节更新幅度。然后，引入了一个空间上下文更新模块，通过观测-状态对齐和场景动态来定位需要更新的空间区域。这些互补信号最终被融合以确定状态更新策略。大量实验证明了TTSA3R在各种三维任务中的有效性。此外，在三维重建的长序列上，我们的方法仅表现出1.33倍的误差增加，而基线模型则出现超过4倍的退化，显著提高了长期重建稳定性。我们的代码可在https://github.com/anonus2357/ttsa3r获取。
引用
@article{arxiv.2601.22615,
title = {TTSA3R: Training-Free Temporal-Spatial Adaptive Persistent State for Streaming 3D Reconstruction},
author = {Zhijie Zheng and Xinhao Xiang and Jiawei Zhang},
journal= {arXiv preprint arXiv:2601.22615},
year = {2026}
}